一种用于超高斯和亚高斯混合信号盲分离的新算法

揭示了ＩｎｆｏＭａｘ盲源分离算法也是以Ｋｕｌｌｂａｃｋ－Ｌｅｉｂｌｅｒ散度为代价函数的,它之所以能有效地用于语音盲分离,是因为所选取的非线性函数的导数能够近似为源信号的概率密度函度（ＰＤＦ）。由此又提出一种广义非线性ＩｎｆｏＭａｘ算法,该算法在估计分主矩阵的同时也对非线性函数进行迭代估计。实验结果表明这一算法能有效地分离任何超高斯和亚高斯信号的混合信号,包括语音、图像信号或其它信号的混合。     

超高斯与亚高斯混合信号的盲分离研究

基于信息最大化和自然梯度法原理,提出了一种超高斯与亚高斯混合信号的盲分离方法,该方法联合利用t分布密度模型和混合双曲正割函数密度模型对源信号概率密度函数进行估计,并采用峰度信息作为参数来选择密度模型及相应的非线性函数．对超高斯与亚高斯混合信号有较好的分离效果。用语音信号和心电信号仿真验证了算法的有效性。     

一种含噪混合信号的盲分离方法

基于信息极大化和自然梯度原理,提出了一种超高斯与亚高斯混合信号的盲分离方法。该方法联合利用高斯函数与双曲正割函数平方的乘积和两个高斯函数的组合对源信号概率密度函数进行估计,放宽了约束条件,并采用峰度信息作为参数来选择概率密度模型及相应的非线性函数,对超高斯和亚高斯混合信号有较好的分离效果。并且,用小波变换与此方法相结合对含有加性噪声的混合信号进行分离。实验仿真证明了算法的有效性。     

基于遗传算法的盲源分离算法

针对现有盲源分离算法的性能依赖于对比函数选择的现象,提出了一种基于遗传算法的盲源分离算法,该算法直接从信号的样本序列中估计出信号的概率分布,解决了信号间互信息的求解问题.通过遗传算法最小化信号的互信息,实现了对线性混叠信号的分离.对模拟信号的分离结果表明,该算法可以成功地分离混叠信号,同时与快速独立分量分析算法相比,该算法的性能对源信号的概率密度性质没有依赖,因而对亚高斯和超高斯信号的混合信号表现出更加优异的分离能力.     

基于改进的H-J算法的信号盲分离研究

独立分量分析是近十多年发展起来的一种非常有效的盲信号分离技术。改进的H-J算法是具有较好稳定和收敛性能的ICA算法,该文通过对改进的H-J算法的分析,将其应用于混合矩阵近似奇异,且强噪声背景下的混合信号盲分离中,并通过计算机仿真实验给予了验证。     

基于信息论的盲源信号分离

 从混合观测数据向量中恢复出不可直接观测的各个源信号是阵列处理和数据分析的典型问题.独立分量分析是解决这一类问题的新技术,而基于信息论方法的分离技术是独立分量算法中最常用的分离算法.基于信息论算法中主流的FastICA算法和自然梯度优化算法,使用几组不同的信号进行分离,从理论分析和仿真结果表明了FastICA算法的优越性.     

微弱裂纹信号的ICA盲源分离提取

针对机械设备关键基础部件早期故障信号提取困难这一问题,提出了一种基于独立分量分析(ICA)的盲源分离去噪方法。采用Fixed-point ICA算法和基于负熵的判据,对不同信噪比下金属裂纹信号进行提取。研究结果表明,此方法受噪声强度及信号频段的影响比较小,可有效提取出所需信号;且获得的信号波形失真很小,是一种较好的微弱信号提取方法。     

基于小波变换和FASTICA算法的有噪混合图像盲分离

简要介绍了独立分量分析的基本数学模型和算法,在此基础上,探讨了独立分量分析在有噪混合图像分离中的应用,提出了一种将小波阈值法去噪与独立分量分析相结合的多通道含噪盲信号分离算法,该算法在对混合含噪图像进行独立分量分析之前,使用小波阈值去噪去除含噪混合图像中的噪声.实验结果表明,该方法能有效地降低噪声信号的影响,较好地恢复了原始图像,解决了传统的独立分量分析方法无法实现加性噪声的多通道含噪盲信号分离的缺陷.     

基于独立分量分析的瞬时混合语音信号盲分离算法研究

近些年,信号处理在理论与方法方面发展速度很快,独立分量分析技术已成了信号处理领域内重要的组成部分。讨论了线性瞬时混合情况下,语音信号盲分离的算法,阐述了算法的原理,并进行了实验仿真,以此来证明算法的有效性。     

杂系混合信号的盲分离

利用基于随机变量概率密度函数的非参数密度估计的核密度估计法对评价函数进行直接估计，改进了盲分离算法的性能，理论推导和试验都证实了这种基于核密度估计的非参数密度估计盲分离算法能实现包含超高斯和亚高斯信号的杂系混合信号的盲分离，为盲分离问题在实际问题中的应用奠定了一定的基础。     

基于盲源分离的一种快速独立分量分析算法

基于盲源分离理论提出了一种快速独立分量分析 (FastICA)算法 .该算法以负熵作为独立性判决准则 ,在迭代过程中引入遗忘因子 ,加快了算法的收敛速度 .仿真结果表明 ,该方法能快速、有效地分离混迭信号     

一种新型的信号盲分离迭代算法

基于动态逼近的思想，提出了一种新型的信号盲分离迭代算法。通过构建一个动态过渡系统，设置相应的系统参数，可以获得满意的动态分离过程。从而使分离算法具有较高的效能，理论分析的结果出了算法收敛的充分条件和必要条件，最后，计算机仿真实验的结果表明了算法的高效性。     

基于R语言的ICA在盲源分离的应用

本文首先介绍盲源分离问题和ICA相关理论,然后用R语言实现仿真。通过fastICA算法将盲源分离,实验结果表明,R语言使用fastICA算法在解决盲源分离问题上有很好的效果,但今后还需在算法和问题假设上做改进。     

一种改进的盲信号分离方法

指出了在盲信号分离过程中．基于独立分量分析的定点算法，具有结构简单、运算速度快的特点．但是在有些情况下，该算法是否收敛仍具有不确定性，限制了它的使用范围．基于信息理论原理提出了一种改进的盲信号分离算法，经计算机仿真和对实际生物信号处理的实验表明：该算法在速度和稳定性方面都有很大的改进．     

基于盲信号分离的波达方向估计

为了将盲信号分离应用于波达方向估计,在基于四阶累积量的定点迭代快速独立分量分析(Independent Component Analysis,ICA)算法进行盲信号分离的基础上,利用分离矩阵得出混合矩阵的估计,并对混合矩阵的列向量在真实阵列流型上进行投影,通过角度扫描估计出信号的方位角.仿真结果表明,该算法在信噪比较高的条件下,具有跟MUSIC(Multiple Signal Classification Method)算法相似的分辨性能,但是在信噪比较低的情况下表现出较高的分辨率.     

Sparsity analysis of signals

In this paper, the signals with generalized Gaussian distribution are considered. A mathematical formula is given to illustrate the sparsity of the signals. According to this formula, the measure of the Laplacian signal is 1, and Gaussian signal is 2. Given a signal, compared with Laplacian signal and Gaussian signal, we can intuitively know how sparse the signal is via its measure. Some examples demonstrate that, if there are no sufficient observed signals (e.g. only three observed signals), one can achieve underdetermined blind source separation (BSS) only for the sufficiently sparse source signals (e.g. much sparser than Laplacian signals) by the measure we defined.     

广义梯度及其在盲信号分离中应用的研究

盲信号的研究是当今学术界研究的热点,它连接了神经网络、信号处理、信息论等多个领域[1-2].盲信号分离(B lind Signal Separation,简写为BSS)是盲信号的研究中一个广受关注的方向.在盲信号分离的研究中,1994年Comon[3]提出了独立分量分析(Independent Component Analysis,简写     

一种改进的最大熵方法在船舶辐射噪声盲分离中的应用

对于船舶辐射噪声信号的盲信号分离(BSS)问题，由于常用的最小互信息(MMI)方法需要估计输出信号的高阶累积量，这对于非高斯、非平稳的船舶辐射噪声来说信号估计的精度将会降低．为此，本文验证了最大熵(ME)方法在处理此类复杂信号时能作为最佳对比函数的条件，并在此基础上用高斯混合模型来估计信号的概率分布，提高了信号概率密度估计的精度；同时在算法的迭代过程中使用自然梯度下降法代替随机梯度下降法，提高了算法的收敛速度．通过对船舶辐射噪声信号的盲分离实验，证明了此分离算法是有效的．     

规范化自然梯度ICA算法

对基于李群不变性的自然梯度ICA算法进行了改进,提出了一种规范化自然梯度ICA算法.该算法通过引入规范化因子,保证参数矩阵的行列式的绝对值在学习过程中恒为1,避免了参数矩阵剧烈变化,使得学习过程更稳定更快速,这种改进还起到简化目标函数的作用,使得规范化自然梯度ICA算法更加简单便利.在BSS模拟实验中,把常规梯度的ICA算法、自然梯度ICA算法与规范化自然梯度ICA算法进行比较,结果表明新算法的信号恢复精度更高,收敛速度更快.